BAB 3 PERANCANGAN SISTEM

BAB 3 PERANCANGAN SISTEM

3.1 Perancangan Pengendali PDC pada Sistem Truk-Trailer

Model linear fuzzy T-S untuk sistem truk dengan tiga trailer telah dimodelkan sebelumnya, yakni sesuai persamaan (2.44), yaitu

2

x& = ∑ hi ( x1 ){Ai x + Bi u}

(3.1)

i =1

dimana terdapat dua aturan (rule) yang berlaku. Maka pada pengendali fuzzy PDC juga terdapat dua aturan sehingga persamaan (2.8) dan (2.9) dapat dituliskan menjadi 2

2

x& = ∑∑ hi ( x1 )h j ( x1 )(Ai − Bi F j )x

(3.2)

i =1 j =1 2 2  Gij + G ji  x& = ∑ hi ( x1 )hi ( x1 )Gii x + 2∑∑ hi ( x1 )h j ( x1 ) x 2 i i< j i  

(3.3)

Disain pengendali PDC dapat dilakukan dengan beberapa metode. Jika menggunakan Teorema 2 atau kondisi (2.11) dan (2.12), maka terlebih dahulu ditentukan letak pole yang diinginkan atau closed-loop eigenvalues

yang

diinginkan untuk masing-masing model aturan pertama dan kedua. Matriks feedback closed-loop F1 dan F2 dicari dengan menggunakan metode penempatan kutub. Kemudian matriks positif definit P ditentukan dengan algoritma optimisasi LMI. Metode yang lain yaitu dengan desain pengendali dimana matriks feedback gain F1 dan F2 bersama-sama dengan matriks P ditentukan dengan algoritma optimisasi LMI. Untuk memudahkan perancangan, pada tesis ini digunakan LMI Lab dan untuk menyelesaikan solusi numerik dari kondisi LMI dan graphical user interface (GUI) ‘lmiedit’ untuk menetapkan kondisi maupun persyaratan sistem dalam formulasi LMI. Langkah-langkah implementasi LMI Lab pada disain kendali fuzzy diperlihatkan pada gambar 3.1 berikut ini. Fungsi-fungsi LMI Lab digunakan pada proses-proses deskripsi matriks variabel, formulasi kondisi LMI, representasi

26 Perancangan dan ..., Ahyar M., FT UI, 2010

Universitas Indonesia

27

internal, penentuan solusi LMI, evaluasi dan validasi maupun untuk mendapatkan info mengenai sistem LMI yang dibuat. Fungsi-fungsi LMI solver digunakan tergantung pada metoda optimisasi, seperti ‘feasp’ digunakan untuk masalah feasibility, ‘gevp’ digunakan untuk masalah generalized eigenvalue minimization problem (GEVP), ‘mincx’ digunakan untuk masalah minimasi obyektif linear (linear objective minimization).

Identifikasi problem disain kendali

lmiinfo lminbr matnbr

Informasi LMI

LMI LAB function

Deskripsi matriks variabel

setlmis lmivar

Formulasi LMI

lmiterm

Representasi internal

getlmis

LMI solver

feasp gevp mincx dec2mat

Evaluasi dan Validasi

evallmi showlmi eig

Gambar 3.1 Implementasi LMI Lab pada disain kendali fuzzy

3.2 Disain 1: Pengendali Stabil

Pada perancangan pengendali stabil, kondisi-kondisi yang disyaratkan dalam Teorema 2 perlu dinyatakan dalam P dan F1 dan F2.


Perancangan dan ..., Ahyar M., FT UI, 2010

28

Sesuai defenisi sebelumnya, G11 = A1 − B1 F1

⇒

G11T = A1T − F1T B1T

G 22 = A2 − B2 F2

⇒

T G 22 = A2T − F2T B2T

G12 = A1 − B1 F2

⇒

G 21 = A2 − B2 F1

⇒

G12T = A1T − F2T B1T T G 21 = A2T − F1T B2T

dan dengan mendefenisikan matriks variabel baru X = P-1, dan mengalikan ruas kiri dan kanan pada pertidaksamaan (2.11) dan (2.12) dengan X, maka dapat ditulis ulang sebagai berikut,

− XA1T − A1 X + XF1T B1T + B1 F1 X > 0 , − XA2T − A2 X + XF2T B2T + B2 F2 X > 0 , − XA1T − A1 X − XA2T − A2 X + XF2T B1T + B1 F2 X + XF1T B2T + B2 F1 X ≥ 0 ,

Dengan mendefenisikan M1 = F1 X dan M2 = F2 X sehingga untuk X > 0, dapat diperoleh

F1 = M1 X

-1

dan

F2 = M2 X

-1

.

Substitusi ke dalam

pertidaksamaan diatas menghasilkan maka syarat kondisi Teorema 2 dapat dinyatakan dalam formulasi LMI seperti berikut,

Temukan matriks X , M1 dan M2 yang memenuhi X > 0

(3.4)

− XA1T − A1 X + M 1T B1T + B1 M 1 > 0 ,

(3.5)

− XA2T − A2 X + M 2T B2T + B2 M 2 > 0 ,

(3.6)

− XA1T − A1 X − XA2T − A2 X + M 2T B1T + B1 M 2 + M 1T B2T + B2 M 1 ≥ 0 (3.7) dimana X = P-1 ,

M1 = F1 X ,

M2 = F2 X

Feedback gains F1 dan F2 dan matriks bersama P dapat diperoleh dari P = X-1 ,

F1 = M1 X -1 ,

F2 = M2 X -1

(3.8)

Sistem LMI di atas dapat dinyatakan dengan LMI editor dengan perincian sebagai berikut [3]:



29

(1) Tentukan dimensi dan struktur setiap matriks variabel. Dalam hal ini matriks variabel X ∈ R 6×6 simetris, matriks variabel M 1 , M 2 ∈ R 2×6 . (2) Nyatakan setiap sistem LMI dalam bentuk pernyataan matriks simbolis (MATLAB expressions).

Gambar 3.2 memperlihatkan graphical user interface (GUI) LMI Editor untuk menyatakan sistem LMI (3.4) – (3.7) dalam ekspresi simbol matriks atau expresi MATLAB. Dengan mengetikkan ’lmiedit’ pada Command Window MATLAB, akan tampil GUI LMI Editor dengan beberapa area pengeditan untuk mendeklarasikan nama matriks variabel (variable name), struktur (type, structure) untuk menyatakan tipe dan dimensi matriks variabel. Setelah sistem LMI dinyatakan dideskripsikan secara lengkap pada LMI Editor, beberapa hal dapat dilakukan dengan menekan/meng-klik tombol yang bersesuaian, yaitu [3]: •

Menampilkan deskripsi sistem LMI dalam fungsi LMI Lab, (’view command’ buttons) atau sebaliknya, sistem yang dinyatakan secara khusus dalam fungsi LMI Lab dapat ditampilkan dalam ekspresi simbol matriks dengan meng-klik tombol ’describe ...’.

•

Nyatakan setiap sistem LMI dalam bentuk pernyataan matriks simbolis (MATLAB expressions).

•

Menyimpan ekspresi simbolik dari sistem LMI dalam format string (’save’ button).

•

Membaca file LMI yang telah ada sebelunya (‘read’ button).

•

Menghasilkan representasi internal dengan menekan tombol ‘create’. Hasilnya ditulis dalam MATLAB variabel sesuai dengan nama sistem LMI. Semua data LMI yang terkait akan disimpan dalam workspace MATLAB. Representasi internal ini dapat diarahkan langsung pada LMI solver ataupun fungsi LMI Lab lainnya.

Dengan LMI solver untuk mencari solusi feasible sistem LMI (3.4) – (3.7), digunakan fungsi ‘feasp’ dengan format sebagi berikut:



30

[tmin,xfeas]=feasp(sys) Xf=dec2mat(sys,xfeas,X) M1f=dec2mat(sys,xfeas,M1) M2f=dec2mat(sys,xfeas,M2)

Matriks Xf, M1f, dan M2f masing-masing bersesuain dengan matriks variabel X, M1, dan M2, sehingga dapat diperoleh matriks defnit positif P dan feedback gains F1 dan F2 menurut persamaan (3.8)

Gambar 3.2 GUI LMI editor

Penyelesaian sistem LMI (3.4) – (3.7) menghasilkan: 0 0 0 0.499 0   0 , F1 =  0 1.002 1.666 − 1.796 1.651 − 0.089 0 0 0 0.499 0   0 , dan F2 =  0 1.125 1.734 − 1.800 1.660 − 0.074



31

0.183 0 0.669   1.351 − 0.195 0.148 − 0.195 1.252 − 0.611 0.112 − 0.034 0   0.148 − 0.611 2.015 − 0.867 0 0.087  P=  >0 0.112 − 0.867 1.549 0 0.144   0.183  0 0 0 0 0.875 0    0.144 0 1.214   0.669 − 0.034 0.087

Untuk kondisi relaxed stability sesuai Teorema 3, formulasi LMI dapat dinyatakan seperti berikut,

Temukan matriks X , Y, M1 dan M2 yang memenuhi X >0

(3.9)

Y ≥0

(3.10)

− XA1T − A1 X + M 1T B1T + B1 M 1 − ( s − 1)Y > 0 ,

(3.11)

− XA2T − A2 X + M 2T B2T + B2 M 2 − ( s − 1)Y > 0 ,

(3.12)

2Y − XA1T − A1 X − XA2T − A2 X + M 2T B1T + B1 M 2 + M 1T B2T + B2 M 1 ≥ 0

(3.13)

dimana X = P-1 ,

M1 = F1 X ,

M2 = F2 X ,

Y = XQX

Feedback gains F1 dan F2 dan matriks bersama P dan Q dapat diperoleh dari P = X-1 ,

F1 = M1 X -1 ,

F2 = M2 X -1

Q = PYP

(3.14)

3.3 Disain 2: Pengendali Stabil dengan Constraint pada Input

Dalam mendesain pengendali, terdapat batasan-batasan (constraints) yang perlu diperhatikan dalam hal input pengendali ataupun keluaran model. Sebagai contoh, dalam perancangan pengendali fuzzy untuk truk dengan 3 trailer, diterapkan constraint untuk input sudut kemudi, besarnya tidak melebihi 30o. Sedangkan constraint untuk keluaran selisih sudut antara truk dan trailer ataupun antar trailer besarnya tidak melebihi 90o.



32

Teorema 4. Asumsikan bahwa kondisi awal x(0) diketahui. Batasan input kendali

||u(t)||2 < µ dipenuhi sepanjang waktu t > 0 jika syarat LMI  1 x(0) T    ≥ 0, X   x(0) X  M i

(3.15)

M iT   ≥ 0, µ2I

(3.16)

dapat terpenuhi, dimana X = P-1 dan Mi = Fi X. Untuk desain pengendali dengan menambahkan batasan atau constraint pada input pengendali, yakni ||u(t)|| < µ, dalam hal ini µ = 30o maka kondisi LMI (3.9)

– (3.13) dimodifikasi dengan penambahan kondisi (3.15) dan (3.16) , yaitu:

Temukan matriks X , Y, M1 dan M2 yang memenuhi X >0

(3.17)

Y ≥0

(3.18)

− XA1T − A1 X + M 1T B1T + B1 M 1 − ( s − 1)Y > 0 ,

(3.19)

− XA2T − A2 X + M 2T B2T + B2 M 2 − ( s − 1)Y > 0 ,

(3.20)

2Y − XA1T − A1 X − XA2T − A2 X + M 2T B1T + B1 M 2 + M 1T B2T + B2 M 1 ≥ 0

(3.21)

 1 x(0) T    ≥ 0, X   x(0)

(3.22)

X  M 1

M 1T   ≥ 0, µ2I

(3.23)

X  M 2

M 2T  ≥0 µ2I

(3.24)

Penerapan algoritma optimisasi LMI dengan cara yang sama pada sub bab 3.3, diperoleh :  − 0.0004 − 0.000 − 0.000 − 0.000 0.0137 − 0.0001 F1 =  , 0.000 − 0.0001 0.0120   0.0741 − 0.000 0.000



33

− 0.0001 − 0.000 F2 =  0.000  0.0898

− 0.000 − 0.000 0.0183 − 0.000 , − 0.000 0.0001 − 0.0003 0.0138 

0.0002 0.0001 0.0001  0.0407  0.0002 0.0062 − 0.0014 0.0001   0.0001 − 0.0014 0.0056 − 0.0018 P= 0.0001 − 0.0018 0.0046  0.0001 − 0.0001 − 0.0000 − 0.0000 − 0.0000  0.0000 0.0000 0.0000  0.0045

− 0.0001 − 0.0000 − 0.000 − 0.0000 − 0.0000 − 0.0000

0.0045 0.0000 0.0000  >0 0.0000 0.0000  0.0020

3.4 Disain 3: Pengenali Stabil dengan Constraint pada Input dan Output

Teorema 5. Asumsikan bahwa kondisi awal x(0)

diketahui. Batasan output

||y(t)||2 < λ dipenuhi sepanjang waktu t > 0 jika syarat LMI  1 x(0) T    ≥ 0, X   x(0)

(3.25)

 X  C i X

(3.26)

XC iT   ≥ 0, λ2 I 

dapat terpenuhi, dimana X = P-1 dan Mi = Fi X. Untuk desain pengendali dengan menambahkan batasan atau constraint pada ouput pengendali, yakni ||u(t)||2 < λ , dalam hal ini λ = 90o dan dipilih x2, x3, dan

x4 sebagai output maka matriks keluaran Ci adalah

0 1 0 0 0 0 C1 = C 2 = C = 0 0 1 0 0 0 0 0 0 1 0 0 Kondisi LMI (3.17) – (3.24) ditambahkan kondisi (3.26) yaitu: X  CX

XC T   ≥ 0, λ2 I 

(3.27)



34

Dengan penerapan algoritma optimisasi LMI cara yang sama, diperoleh: − 0.0098 − 0.0882 − 0.0990 − 0.1110 0.4940 − 0.0029 , F1 = 10 −5 ×  0.0178 0.0109 0.0122 − 0.0001 0.0012   0.0023

0.0007 F2 =  0.0316

0.0015 0.0264

0.0014 0.0012 0.0022 0.0000 , 0.0232 0.0193 − 0.0000 0.0023

0.0071 0.0070 0.0069  0.0056  0.0071 0.5109 0.0122 0.0088   0.0070 0.0122 0.5044 0.0063 P= 0.008 0.0063 0.4992  0.0069 − 0.0000 − 0.0000 − 0.0000 − 0.0000  0.0006 0.0006 0.0006  0.0002

− 0.0000 0.0002  − 0.0000 0.0006  − 0.0000 0.0006   >0 − 0.0000 0.0006  0.0001 − 0.0000  − 0.0000 0.0001 

0.0378 0.0368 0.0356  0.0018  0.0378 2.6092 0.1244 0.0896   0.0368 0.1244 2.5429 0.0651 Q = 10 3 ×  0.0896 0.0651 2.4889  0.0356 − 0.0000 − 0.0000 − 0.0000 − 0.0000  0.0031 0.0031 0.0030  0.0001

− 0.0000 0.0001  − 0.0000 0.0031  − 0.0000 0.0031  ≥0 − 0.0000 0.0030  0.0000 − 0.0000  − 0.0000 0.0000 

3.5 Disain 4: Pengenali Stabil dengan Initial State Independent

Salah satu kelemahan dari desain pengendali dengan batasan input dan output adalah ketergantungan pada nilai awal sistem [2]. Ini berarti bahwa feedback gains Fi harus ditentukan kembali jika nilai awal variabel keadaan mengalami perubahan. Agar tidak perlu selalu menghitung Fi setiap kali terjadi perubahan nilai awal variabel keadaan, maka LMI dengan constarint pada input ataupun output dapat dimodifikasi, dimana nilai awal x(0) tidak perlu diketahui tetapi batas atas Φ dari ||x(0)|| diketahui, yaitu ||x(0)|| < Φ. Batas Φ dapat diset cukup besar agar dapat mencakup lebih banyak nilai awal variabel keadaan bahkan jika nilai x(0) tidak diketahui. Modifikasi dari LMI constraint dapat diselesaikan sebagai berikut:



35

Teorema 6. Asumsikan bahwa kondisi awal ||x(0)|| < Φ

dimana x(0) tidak

diketahui tetapi batas atas Φ diketahui. Maka xT(0) X-1 x(0) < 1 ,

(3.28)

Φ2 I < X ,

(3.29)

jika

Dimana X = P-1

Dapat dilihat bahwa pertidaksamaan (3.28) ekuivalen dengan (3.15) dan (3.25). kondisi (3.29) dapat digunakan dalam modifikasi LMI sebagai ganti dari (3.15) ataupun (3.25). Disain pengendali dengan kondisi nilai awal variabel keadaan yang independen dibuat dengan menambahkan Teorema 6 dalam perancangan kondisi LMI, dalam hal ini batas atas dari nilai awal ditentukan, yaitu Φ = 10. dan dengan algoritma LMI yang sama, diperoleh feedback gain F1 dan F2 serta matriks positif definit P sebagai berikut : 0 0 0 0.0323 0   0 F1 =  0 0.0367 0.1452 0.0006 0.0005 0.0004

0 0 0 0.0444 0   0 F2 =  0.0419 0 0.1652 0.0002 0.0004 0.0004

0.0007 0.0007 0 0.1102 0.0007 0.0007 0.0120 0.0002 − 0.0000 0  0.0007 0.0002 0.0115 − 0.0001 0 P= 0 0.0007 − 0.0000 − 0.0001 0.0112  0 0 0 0 0.0120  0.0002 0.0002 0  0.0221 0.0002

0.0221 0.0002 0.0002 > 0 0.0002 0   0.0160



36

3.6 Validasi Hasil Optimisasi LMI

Kesemua matriks P yang diperoleh diatas adalah matriks simetris definit positif. Dimensi dan deskripsi berbagai matriks yang digunakan dalam disain kendali ini dapat dilahat pada tabel 3.1. Matriks P adalah matriks definit positif jika dan hanya jika semua eigenvalue matriks P adalah positif, hal ini benar jika dan hanya jika semua leading principal minors (determinan dari leading principal submatrices) dari matriks P adalah positif. Matriks Q adalah matriks semidefinit positif jika dan hanya jika semua eigenvalue matriks P adalah non-negatif, hal ini benar jika dan hanya jika semua leading principal minors (determinan dari leading principal submatrices) dari matriks Q adalah non-negatif.

Tabel 3.1 Dimensi matriks Matriks

Dimensi

Deskripsi

A1, A2

6×6

Matriks state aturan 1 dan 2

B1, B2

6×2

Matriks input aturan 1 dan 2

F1, F2

2×6

Matriks feedback gains

P

6×6

Matriks simetris definit positif

X

6×6

X = P-1 , simetris definit positif

Q

6×6

Matriks simetris semidefinit positif

M1, M2

2×6

Mi = Fi X

Jika P adalah matriks n × n, maka leading principal submatrix orde-m (Pm) dari P adalah matriks yang dibentuk dengan menghapus n – m baris dan kolom terakhir dari P. Matriks P ∈ R 6×6 memiliki enam leading principal submatrix, dan P6 = P. Matriks S adalah negatif jika –S adalah positif. Mengalikan sebuah matriks dengan –1 sama dengan mengalikan determinan matriks tersebut dengan (–1)n. Dengan demikian matriks S adalah matriks negatif definite jika principal minor matriks S bergantian tanda negatif atau positif, dengan tanda negatif jika jumlah



37

baris (kolom) submatriks adalah ganjil, sebaliknya positif jika jumlah baris (kolom) submatriks adalah genap [12,13]. Sebagai contoh validasi untuk design terakhir, akan dibuktikan bahwa {1} P > 0, {2} ( A1 − B1 F1 ) T P + P( A1 − B1 F1 ) < 0 {3} ( A2 − B2 F2 ) T P + P( A2 − B2 F2 ) < 0

 Gij + G ji {4}  2 

T

  G + G ji  P + P ij 2  

  ≤ 0 

dimana, G12 = A1 − B1 F2

⇒

G 21 = A2 − B2 F1

⇒

G12T = A1T − F2T B1T T G 21 = A2T − F1T B2T

Tabel 3.2 Nilai eigen matriks {1}

{2}

{3}

{4}

0.1152 0.0121 0.0111 0.0111 0.0114 0.0120

-0.0328 -0.0005 -0.0084 -0.0058 -0.0192 -0.0008

-0.0328 -0.0008 -0.0072 -0.0055 -0.0192 -3.72 × 10-5

-0.0328 -0.0007 -0.0078 -0.0057 -0.0192 -0.0005

Tabel 3.3 Nilai determinan leading principal submatrix {1}

{2}

{3}

{4}

0.1102 0.0013 1.52 × 10-5 1.70 × 10-6 2.04 × 10-9 2.37 × 10-11

-7.9685 × 10-3 1.5691 × 10-4 -2.3868 × 10-6 3.0169 × 10-8 -2.3434 × 10-11 1.2810 × 10-14

-6.6590 × 10-3 1.3078 × 10-4 -1.9893 × 10-6 2.5097 × 10-8 -9.3384 × 10-13 7.1128 × 10-16

-7.3138 × 10-3 1.4389 × 10-4 -2.1880 × 10-6 2.7633 × 10-8 -1.5105 × 10-11 1.0077 × 10-14



38

Tabel 3.2 menunjukkan nilai eigen matriks dari masing-masing syarat kondisi kestabilan, dan Tabel 3.3 menunjukkan determinan dari leading principal submatrices yang bersesuaian untuk masing-masing syarat kondisi. Kolom {1} pada kedua tabel membuktikan bahwa matriks bersama P adalah definit positif. Hal yang sama ditunjukkan pada kolom {2} dan {3} dari masing-masing tabel bahwa matriks yang bersesuaian untuk syarat kondisi kestabilan adalah definit negatif. Syarat kestabilan {4} mencukupkan bahwa matriks yang bersesuaian minimal definit seminegatif, sedangkan hasil yang ditunjukkan pada kolom {4} dari masing-masing tabel menunjukkan bahwa matriks yang bersangkutan adalah definit negatif. Hasil ini menunjukkan bahwa model fuzzy dan pengendali fuzzy PDC yang dirancang memenuhi syarat kestabilan yang ditentukan.



BAB 3 PERANCANGAN SISTEM

Recommend Documents